Часто по работе и в жизни мы вынуждены принимать решения, не имея на руках всей информации. Не знаем, подойдет ли сотрудник на должность, стоит ли коллеге делегировать определенную задачу, будет ли этот кандидат через три года работать в компании, поможет ли введение нового бизнес-процесса и т. п.
В такой ситуации многие пытаются дать четкий ответ, да или нет, забывая про понятие меры неопределенности. Это плохо не только в бизнесе, но и в целом в жизни. Отбрасывая сомнения, мы повышаем шанс на ошибку, поскольку переходим в зону субъективного.
Всем привет! Меня зовут Екатерина, я руковожу саппортом в МТС Линк. В ИТ я сравнительно недавно — до этого занималась разными молодежными проектами. Там я начала понемногу изучать историю систем поддержки принятия решений. Эту тему мне подсказал научный идеолог и преподаватель в моем университете. Он обратил внимание на то, что моя основная задача — принятие решений, и тут можно использовать нечеткую математическую логику. Не зря математика — царица наук.
Она работает с неопределенностями реального мира, с ее помощью можно понять меру сомнений и уйти от однозначных ответов в сторону таких формулировок, как «скорее да, чем нет» (или наоборот). В этом материале я хочу рассказать о нечеткой математической логике и ее роли в принятии решений. Это моя жизненная философия — то, во что я верю, и чем, наверное, живу.
Как я использую нечеткую математическую логику
Наиболее ярким примером для меня остается история с одного из предыдущих мест работы. Параллельно со своей деятельностью в области молодежной политики я работала в небольшой типографии, где могла проверять идеи, связанные с нечеткой математической логикой. Там я внедряла систему, которая рассчитывала, насколько кандидат подходит на вакантную должность. При этом система как раз давала ответы в стиле «скорее да, чем нет».
Проанализировав с помощью системы коллег, я поняла, что одна сотрудница на позиции дизайнера могла бы быть заместителем управляющего, т. е. брать на себя большую часть задач этой роли. Было одно «но»: она очень нервничала, разговаривая с людьми (у нее буквально дрожал голос). Однако это была единственная зона роста, которую требовалось проработать.
Видя ее реакцию на взаимодействие с коллегами, мне казалось: «Конечно, нет! Как она с такими начальными данными сможет управлять людьми?». Но проанализировав с точки зрения нечеткой математической логики, я получила ответ «скорее да». На самом деле у нее были навыки хорошего руководителя, просто я их не видела из-за субъективного восприятия. Помимо общения, сложности у нее были только с договорами. Но как раз это делегировалось другому специалисту. И я поставила ее на позицию заместителя, разделив обязанности с еще одной коллегой. Этот тандем заработал очень хорошо. Схема функционировала несколько лет.
Если бы не формализованный подход, я бы ошиблась в человеке и так и не поставила ее на позицию с подходящими ей задачами.
Зачем в менеджменте нечеткая математическая логика
В морском деле есть очень важный принцип — Safety comes first, безопасность в первую очередь. Для моряков эта формулировка стала нарицательной, потому что они прекрасно знают, к каким негативным последствиям приводит человеческий фактор. Периодически катастрофы происходят именно из-за неправильных решений.
Математическая логика раскрывает несовершенство принятия бинарных решений, позволяет взглянуть в лицо своим страхам и оценить (а в некоторых случаях и рассчитать) ту самую меру сомнения, когда в «да» или «нет» мы до конца не уверены. С ее помощью ты можешь действовать более правильно в интересах других людей, бизнеса, процессов и клиентов.
Нечеткая логика не является привычной нам математикой в чистом виде. Она:
использует систему подмножеств для более гибкого и вариативного моделирования итогового решения;
отлично проявляет наши сомнения в повседневной жизни, существующей в парадигме булевого значения;
измеряет меру сомнения (в научном мире существовал популярный спор, какой термин использовать — «степень» или «мера» сомнения — я склоняюсь к последнему);
как ни странно, благодаря нечеткости она делает границы нечетких подмножеств более понятными и определенными;
применяется в нечетких экспертных системах;
является одним из популярных инструментов для построения систем поддержки принятия решений.
В нечеткой логике используются специальные операторы и подходы к моделированию, которые не «ломаются» при недостатке или неточности информации. В этом материале я не буду глубже вдаваться в ее аппарат. Я довольно хорошо погрузилась в тему, даже стала лауреатом первого Научного форума в 2018 году в Волгограде. В свое время написала несколько статей, поэтому просто сошлюсь на них:
Как я это использую на практике
В предыдущем материале я рассказывала, как мы обучаем новых сотрудников. И я активно применяю нечеткую математическую логику в найме.
Перед собеседованием мы направляем кандидату несколько вопросов, и уже на их основе можно построить картину его хард- и софт-скилов, которая позволяет на старте правильно провести собеседование.
Если я вижу у кандидата сильные стороны и релевантный опыт, но что-то меня смущает, то обращаюсь к математической логике. Сначала пересматриваю запись интервью и выписываю из него основные поинты. Для каждой должности и грейда у меня есть представление, какие нужны навыки. Это своего рода матрица, где у параметров имеются свой вес и значимость для итогового результата. Перемножая соответствующие значения с весами и складывая их между собой, можно оценить, насколько кандидат приближается к 100%. А это уже дает понимание, подходит он или нет на эту должность.
Если значение оценки приближается к 80%, я вижу, что 20% — это и есть мера сомнений. Тут можно оценить, по каким именно параметрам он проигрывает «идеальному кандидату». Дальнейшее решение я принимаю с учетом тех навыков, которые нужно будет вырастить в данном соискателе.
Как я применяю нечеткую математическую логику в «Линке»
С ее помощью мы наняли моего заместителя и первого помощника. Я собеседовала ее в середине 2023 года на позицию лида небольшой группы сотрудников, но уже меньше чем через год она стала руководить специалистами, отвечающими за крупных клиентов. Это достаточно большой скачок с точки зрения ответственности и задач, особенно для человека, который знаком с продуктом менее года. Обычно до этой позиции добираются специалисты либо с релевантным опытом, либо прошедшие все линии. Лично для меня это была ставка ва-банк, но благодаря нечеткой математической логике удалось оценить, что риск на самом деле меньше, чем кажется.
В описанном примере мои знания о коллеге — результаты ее работы на позиции руководителя второй линии поддержки — были заложены в определенную математическую логику. Это позволило по максимуму абстрагироваться от негативных аспектов человеческого фактора, например усталости, каких-то личных событий и предпочтений, из-за которых можно принять неверные решения. И по факту итог оказался отличным.
Мир через призму нечеткой логики
После глубокого погружения в эту тему меня очень удивляет, когда человек, принимающий решения, говорит: «Можно сделать так!». При этом если задать ему вопрос о рисках и степени сомнения, он отмахнется: «У нас все получится». В такой ситуации я вижу очень высокий риск: принятое решение может обернуться катастрофой, так как оно основано только на субъективном восприятии.
Чтобы не застревать в зоне субъективного, рекомендую познакомиться с подходом поближе:
Напоследок — небольшая задачка для тех, кто хочет посмотреть нечеткую математическую логику в деле
На картинке представлена схема принятия решения в ответ на вопрос «Нужно ли проводить досмотр в отношении данной партии груза?»:
Здесь есть такие параметры:
up — это процент веса упаковки от общего (брутто) веса груза. Есть внутренняя градация: до 10% — показатель в пределах нормы, от 11% и выше — уже нет.
nav показывает на существование информации о возможном нарушении. От 0 до 0,3 — информация из малонадежных источников (например, от другого сотрудника или из нового источника информации). От 0,31 до 0,7 — информация более надежного источника (банка, сертифицирующей организации и так далее). От 0,71 до 1 — высоконадежная информация (например, от других контролирующих органов или отделов).
prois показывает страну происхождения товара (от 0 до 0,3 — слаборазвитая, от 0,31 до 0,7 — развивающаяся, 0,71 до 1 — развитая страна).
dokum показывает полноту представленного пакета документов (от 0 до 0,31 — неполный пакет, от 0,31 до 0,7 — не хватает нескольких (до 3) бланков, выше — полный пакет, отсутствует необходимость запрашивать дополнительные сведения).
Sur отражает срабатывание профиля риска в системе управления рисками (СУР). 0 до 0,3 — СУР не сработала, 0,31 до 0,71 — средний уровень, от 0,71 до 1 — высокий уровень риска.
У всех параметров в данной задаче вес влияния на конечный результат совпадает, то есть предполагаем, что у всех степень важности одинаковая.
Вопрос: какое решение вынесет система:
Скорее нет, чем да.
Скорее да, чем нет.
Да.
Нет.
И каким будет итоговое значение в окне вывода (на изображении — блок Display)? Подсказка: в данном случае значение варьируется в пределах [0;1].
